至顶网服务器频道 10月20日 新闻消息:英特尔公司的Health Application Platform联合由Flex方面设计的硬件设备,能够提供一种可远程监控患者动态的新途径,并能够摆脱由基于平板电脑或智能手机解决方案带来的各的挑战。
英特尔方面在医疗保健行业发现了拓展其物联网业务的机会,故而该公司在本周四宣布其将采用一款全新的软件平台并配合由供应商Flex公司设计硬件设备,从而让远程患者护理更加便利。
目前,患者出院后的远程患者护理服务主要依赖智能手机与平板电脑完成,而这款全新的英特尔Health Application Platform与基于英特尔架构的硬件设计规范则是为改善此类远程患者护理服务所创建。英特尔方面表示,该平台以及其所搭配的边缘设备可以顺利应对消费者目前所持有的设备无法解决的安全问题与其他挑战。
英特尔医疗物联网总经理Dave Ryan在接受至顶网记者采访时表示,大约五年以前,随着远程患者护理市场的不断发展,“平板电脑作为[一款可能有用的工具]登上舞台,且表现出强大的吸引力”。因为在这些设备上安装保健应用较为容易且来自传感器的数据——例如患者的脉搏或血压的监测变量——可以在本地完成整合。
Dave Ryan补充称:“然而,在平板电脑被推行了一段时间之后,公司意识到了有关消费级平板电脑的问题,即寿命短、SKU流通量、安卓系统更新可能会对其软件产生致命影响……此外,平板电脑对于小孩而言极富魅力,足以诱惑其夺走家中老年患者的平板电脑供自己玩乐。”
Ryan表示,远程医疗服务供应商可能仍会使用平板电脑与智能手机与患者进行沟通并传递教育信息。然而,英特尔方面认为,这些公司未来将会希望通过像HAP这样的企业级平台完成收集、存储与传输患者数据。
Ryan解释称,HAP可以提供稳定的软件环境并抵御软件更新带来的负面影响。该平台内置一套Android解决方案,能够轻松与应用程序以及外围设备——如血压监测仪——建立连接。同时,英特尔公司还关闭了消费者安卓产品中容易受到攻击的端口与系统。而且由于软件平台与Flex发布的硬件设计紧密集成,故而其也具有一定的安全功能,诸如静态数据加密等。
为了避免任何有关数据所有权的纠纷,英特尔公司内置了软件堆栈数据编排与安全连接功能。因此,远程医疗服务公司可以直接从传感器提取数据,并且可以在无需任何中间机制支持的情况下通过私人且安全的连接将数据上传至公司或客户的云端。
远程医疗服务公司可将其希望建立连接的设备列入白名单,并根据数据处理方式配置协调器。换而言之,HAP只能连接其能够识别的设备且可以分辨受监管与不受监管的设备数据。
Ryan表示:“如果用户佩戴健身手环散步,那么该款设备将不会与中心建立连接,也不会将无法识别的数据传入私人记录。”
HAP与Flex公司的IoT Compute Engine配套使用,IoT Compute Engine是带有后置支架的一款小型便携式设备,可将其安装于墙上。除了提供首批硬件设计优化以支持英特尔公司的HAP,Flex方面还负责提供客户支持、分销与物流,并监管全球解决方案的扩展。
鉴于医疗保健服务已经开始更多地转向基于实际价值的补充性方案,院方与其他医疗服务供应商对远程医疗保健服务日渐重视,并希望远程医疗服务能够降低患者的再次入院率。为了展示HAP的潜在市场,英特尔方面指出,目前已经有一项研究表明远程医疗保健市场在2016年增长了44%。
目前,英特尔与Flex公司已经在医疗保健领域与几家公司建立了合作关系,旨在推进其新产品在该领域的部署工作,合作公司则包括Vivify Health、iHealth Labs以及Sensogram Technologies。
好文章,需要你的鼓励
北京大学与小红书公司联合研究团队提出的Uni-Instruct框架,成功统一了10多种现有单步扩散蒸馏方法。该框架基于新颖的f-散度扩散扩展理论,通过可计算的等价损失函数训练单步扩散模型。实验表明,Uni-Instruct在CIFAR10和ImageNet 64×64数据集上创造了新的单步生成记录,FID分别达到1.46和1.02,甚至超越了其79步教师模型。研究还成功将该方法应用于文本到3D生成任务,展示了统一框架在提升生成质量和效率方面的巨大潜力。
这篇研究介绍了KVzip,一种创新的查询无关KV缓存压缩方法,通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍,同时提高解码速度约2倍,在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法,KVzip创建可在多种查询场景下重用的通用压缩缓存,特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证,处理长度高达17万词元的文本,并能与KV缓存量化等其他优化技术无缝集成。
腾讯与上海交通大学联合推出的DeepTheorem研究突破了大型语言模型在数学定理证明领域的限制。该项目创建了包含12.1万个IMO级别非形式化定理的大规模数据集,开发了专门的RL-Zero强化学习策略,并设计了全面的评估框架。研究表明,通过使用自然语言而非传统形式化系统,即使是7B参数的模型也能在复杂定理证明上取得显著成果,超越许多更大的专业模型。这一成果为AI数学推理开辟了新途径,使语言模型能够像人类数学家一样思考和证明。
MAGREF是字节跳动智能创作团队开发的多主体视频生成框架,能从多张参考图像和文本提示生成高质量视频。该技术引入了区域感知动态遮罩机制,使单一模型灵活处理人物、物体和背景,无需架构变化;并采用像素级通道拼接机制,在通道维度上运作以更好地保留外观特征。实验表明,MAGREF在身份一致性和视觉质量方面优于现有技术,能将单主体训练泛化到复杂多主体场景,为内容创作者提供了强大而便捷的视频生成工具。